Cross-continental soil prokaryotic traits driven by precipitation regime and land cover
Notice bibliographique
Résumé
Trade-offs among traits determine microbial community dynamics and affect soil carbon-cycling feedback to climate change. Here, we determined soil prokaryotic traits based on a novel marker gene-based workflow using cross-continental temperature and aridity gradients. Genome streamlining and high 16S rRNA gene copy numbers per genome (RRN) conferred high maximal growth rates, possibly by allowing for smaller cells with higher surface to volume ratio. Small genomes and high maximal growth rates were found under high precipitation seasonality and in barren soils. Large genomes and low maximal growth rates were found in forests, characterized by high water availability and by abundant and complex organic resources. Our findings suggest that large genomes confer versatility to cope with resource fluctuations and moderate climatic fluctuations while extreme climatic fluctuations and scarcity of resources promote genome streamlining. Seasonal fluctuations in water availability were associated with the ability to form spores and with rapid resuscitation, promoted by high RRN. Moreover, Prokaryotes were less dispersal limited compared to Fungi, presumably due to their smaller size, but within Prokaryotes, small taxa were not more ubiquitous. Our trait-based framework highlights that particularly changes in precipitation patterns and vegetation type will cause changes in microbial processes under future climate. Small genomes and high maximal growth of soil prokaryotes occurred in barren soils and soils with high precipitation seasonality, while large genomes and low growth appeared in moist, resource-rich forests, based on marker gene-based trait analysis of samples from Greenland, Europe, and South Africa.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».